特征向量降维方法和装置专利检索-特征向量人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

特征向量降维方法和装置

阅读：87发布：2020-05-13

IPRDB可以提供特征向量降维方法和装置专利检索，专利查询，专利分析的服务。并且本申请实施例公开了特征向量降维方法和装置。该方法的一具体实施方式包括：获取待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。该实施方式提供了一种基于深度学习的特征向量降维机制，丰富了特征向量降维方法。，下面是特征向量降维方法和装置专利的具体信息内容。

权利要求

1.一种特征向量降维方法，包括：

获取待处理数据；

将所述待处理数据输入至目标特征提取网络，得到第一特征向量；

将所述第一特征向量输入至预先训练的全连接层，得到第二特征向量，所述全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

2.根据权利要求1所述的方法，其中，所述全连接层包括根据以下步骤训练得到的全连接层：获取样本数据集合；

基于所述样本数据集合执行以下训练步骤：将样本数据集合中的样本数据分别输入至所述目标特征提取网络，并将所述目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量；根据所生成的特征向量确定是否达到预设的优化目标；

响应于确定初始全连接层达到所述优化目标，将所述初始全连接层作为训练完成的全连接层。

3.根据权利要求2所述的方法，其中，训练得到所述全连接层的步骤还包括：响应于确定初始全连接层未达到所述优化目标，调整初始全连接层的网络参数，使用调整后的全连接层作为初始全连接层，继续执行所述训练步骤。

4.根据权利要求2所述的方法，其中，所述根据所生成的特征向量确定是否达到预设的优化目标之前，训练得到所述全连接层的步骤还包括：针对所生成的特征向量的各个维度：统计所生成的特征向量在该维度上的最大值，最小值以及中位数；针对所生成的各个特征向量，比较该特征向量在该维度上的值与统计出的该维度上的中位数，响应于该特征向量在该维度上的值大于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最大值，响应于该特征向量在该维度上的值小于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最小值。

5.根据权利要求4所述的方法，其中，所述根据所生成的特征向量确定是否达到预设的优化目标，包括：确定所生成的特征向量在各个维度上的平均值；

计算各个维度上统计出的中位数与所确定的平均值之差的平方和；

根据计算出的平方和与预设值是否匹配，确定是否达到预设的优化目标。

6.根据权利要求2所述的方法，其中，所述样本数据集合中的样本数据包括与所述待处理数据来源相同的数据。

7.一种特征向量降维装置，包括：

获取单元，被配置成获取待处理数据；

特征提取单元，被配置成将所述待处理数据输入至目标特征提取网络，得到第一特征向量；

降维单元，被配置成将所述第一特征向量输入至预先训练的全连接层，得到第二特征向量，所述全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

8.根据权利要求7所述的装置，其中，所述装置还包括训练单元，所述训练单元，包括：获取子单元，被配置成获取样本数据集合；

训练子单元，被配置成基于所述样本数据集合执行以下训练步骤：将样本数据集合中的样本数据分别输入至所述目标特征提取网络，并将所述目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量；根据所生成的特征向量确定是否达到预设的优化目标；响应于确定初始全连接层达到所述优化目标，将所述初始全连接层作为训练完成的全连接层。

9.根据权利要求8所述的装置，其中，所述训练单元，还包括：调整子单元，被配置成响应于确定初始全连接层未达到所述优化目标，调整初始全连接层的网络参数，使用调整后的全连接层作为初始全连接层，继续执行所述训练步骤。

10.根据权利要求8所述的装置，其中，所述训练子单元，进一步被配置成：针对所生成的特征向量的各个维度：统计所生成的特征向量在该维度上的最大值，最小值以及中位数；针对所生成的各个特征向量，比较该特征向量在该维度上的值与统计出的该维度上的中位数，响应于该特征向量在该维度上的值大于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最大值，响应于该特征向量在该维度上的值小于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最小值。

11.根据权利要求10所述的装置，其中，所述训练子单元，进一步被配置成：确定所生成的特征向量在各个维度上的平均值；

计算各个维度上统计出的中位数与所确定的平均值之差的平方和；

根据计算出的平方和与预设值是否匹配，确定是否达到预设的优化目标。

12.根据权利要求8所述的装置，其中，所述样本数据集合中的样本数据包括与所述待处理数据来源相同的数据。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

说明书全文

特征向量降维方法和装置

技术领域

[0001] 本申请实施例涉及计算机技术领域，尤其涉及特征向量降维方法和装置。

背景技术

[0002] 随着AI技术的发展，各种各样的任务均可以通过深度学习模型实现，例如语音分类任务、图像识别任务。在深度学习模型中，通常都需要进行特征向量的提取，然而在进行特征提取的过程中，提取的特征维数太多经常会导致特征匹配时过于复杂，消耗大系统资源，因此，需要使用特征向量降维的方法，降低特征向量的维度。

发明内容

[0003] 本申请实施例提出了特征向量降维方法和装置。

[0004] 第一方面，本申请的一些实施例提供了一种特征向量降维方法，该方法包括：获取待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

[0005] 在一些实施例中，全连接层包括根据以下步骤训练得到的全连接层：获取样本数据集合；基于样本数据集合执行以下训练步骤：将样本数据集合中的样本数据分别输入至目标特征提取网络，并将目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量；根据所生成的特征向量确定是否达到预设的优化目标；响应于确定初始全连接层达到优化目标，将初始全连接层作为训练完成的全连接层。

[0006] 在一些实施例中，训练得到全连接层的步骤还包括：响应于确定初始全连接层未达到优化目标，调整初始全连接层的网络参数，使用调整后的全连接层作为初始全连接层，继续执行训练步骤。

[0007] 在一些实施例中，根据所生成的特征向量确定是否达到预设的优化目标之前，训练得到全连接层的步骤还包括：针对所生成的特征向量的各个维度：统计所生成的特征向量在该维度上的最大值，最小值以及中位数；针对所生成的各个特征向量，比较该特征向量在该维度上的值与统计出的该维度上的中位数，响应于该特征向量在该维度上的值大于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最大值，响应于该特征向量在该维度上的值小于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最小值。

[0008] 在一些实施例中，根据所生成的特征向量确定是否达到预设的优化目标，包括：确定所生成的特征向量在各个维度上的平均值；计算各个维度上统计出的中位数与所确定的平均值之差的平方和；根据计算出的平方和与预设值是否匹配，确定是否达到预设的优化目标。

[0009] 在一些实施例中，样本数据集合中的样本数据包括与待处理数据来源相同的数据。

[0010] 第二方面，本申请的一些实施例提供了一种特征向量降维装置，该装置包括：获取单元，被配置成获取待处理数据；特征提取单元，被配置成将待处理数据输入至目标特征提取网络，得到第一特征向量；降维单元，被配置成将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

[0011] 在一些实施例中，装置还包括训练单元，训练单元，包括：获取子单元，被配置成获取样本数据集合；训练子单元，被配置成基于样本数据集合执行以下训练步骤：将样本数据集合中的样本数据分别输入至目标特征提取网络，并将目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量；根据所生成的特征向量确定是否达到预设的优化目标；响应于确定初始全连接层达到优化目标，将初始全连接层作为训练完成的全连接层。

[0012] 在一些实施例中，训练单元，还包括：调整子单元，被配置成响应于确定初始全连接层未达到优化目标，调整初始全连接层的网络参数，使用调整后的全连接层作为初始全连接层，继续执行训练步骤。

[0013] 在一些实施例中，训练子单元，进一步被配置成：针对所生成的特征向量的各个维度：统计所生成的特征向量在该维度上的最大值，最小值以及中位数；针对所生成的各个特征向量，比较该特征向量在该维度上的值与统计出的该维度上的中位数，响应于该特征向量在该维度上的值大于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最大值，响应于该特征向量在该维度上的值小于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最小值。

[0014] 在一些实施例中，训练子单元，进一步被配置成：确定所生成的特征向量在各个维度上的平均值；计算各个维度上统计出的中位数与所确定的平均值之差的平方和；根据计算出的平方和与预设值是否匹配，确定是否达到预设的优化目标。

[0015] 在一些实施例中，样本数据集合中的样本数据包括与待处理数据来源相同的数据。

[0016] 第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

[0017] 第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

[0018] 本申请实施例提供的特征向量降维方法和装置，通过获取待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度，提供了一种基于深度学习的特征向量降维机制，丰富了特征向量降维方法。

附图说明

[0019] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

[0020] 图1是本申请的一些可以应用于其中的示例性系统架构图；

[0021] 图2是根据本申请的特征向量降维方法的一个实施例的流程图；

[0022] 图3是根据本申请的特征向量降维方法的应用场景的一个示意图；

[0023] 图4是根据本申请的特征向量降维方法的又一个实施例中全连接层的训练的流程图；

[0024] 图5是根据本申请的特征向量降维装置的一个实施例的结构示意图；

[0025] 图6是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。

具体实施方式

[0026] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

[0027] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0028] 图1示出了可以应用本申请的特征向量降维方法或特征向量降维装置的实施例的示例性系统架构100。

[0029] 如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

[0030] 用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如语音识别类应用、图像处理类应用、社交类应用、数据处理类应用、电子商务类应用、搜索类应用等。

[0031] 终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

[0032] 服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105可以获取终端设备101、102、103上传的待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

[0033] 需要说明的是，本申请实施例所提供的特征向量降维方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，特征向量降维装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

[0034] 需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

[0035] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

[0036] 继续参考图2，示出了根据本申请的特征向量降维方法的一个实施例的流程200。该特征向量降维方法，包括以下步骤：

[0037] 步骤201，获取待处理数据。

[0038] 在本实施例中，特征向量降维方法的执行主体(例如图1所示的服务器或终端)可以通过有线或无线连接方式获取待处理数据。待处理数据可以是待处理的语音、图像或文本等数据。

[0039] 步骤202，将待处理数据输入至目标特征提取网络，得到第一特征向量。

[0040] 在本实施例中，上述执行主体可以将步骤201中获取的待处理数据输入至目标特征提取网络，得到第一特征向量。目标特征提取网络可以是任何待对其输出的特征进行降维操作的特征提取网络。作为示例，目标特征提取网络可以包括若干个卷积层，还可以包括全连接层等。第一特征向量即待对其进行降维的向量。

[0041] 步骤203，将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

[0042] 在本实施例中，上述执行主体可以将步骤202中得到的第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。全连接层的训练可以采用监督学习方法或非监督学习方法，非监督学习方法(Unsupervised Learning)是指在实际应用中，存在大量没有进行标注的或者少量标注的样本，从中学习样本之间的相互联系。采用监督学习方法训练时，可以将样本集中的样本和标注信息分别作为输入和期望输出，利用机器学习方法训练初始的全连接层。非监督学习方法可以通过建立优化目标，来实现对全连接层的训练。在本实施例的一些可选实现方式中，训练全连接层的样本数据集合中的样本数据包括与待处理数据来源相同的数据。全连接层的训练可以在达到预设的优化目标或完成预设次数的迭代时结束。

[0043] 特征降维(Feature dimensionality reduction)还可以通过主元分析(Principal Component Analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)等方式进行。引入深度学习方法，增加全连接层进行降维，可以解决上述方法中降维计算复杂，迁移性差的问题，且可以完成端到端的计算。

[0044] 本申请的上述实施例提供的方法通过获取待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度，提供了一种基于深度学习的特征向量降维机制，丰富了特征向量降维方法。

[0045] 继续参见图3，图3是根据本实施例的特征向量降维方法的应用场景的一个示意图。在图3的应用场景中，服务器301获取用户通过终端302提交的待处理数据303，而后将待处理数据303输入至目标特征提取网络304，得到第一特征向量305；并将第一特征向量305输入至预先训练的全连接层306，得到第二特征向量307，其中，全连接层306的输出向量的维度为预先设置的降维后的特征向量的维度。

[0046] 进一步参考图4，其示出了根据本申请的特征向量降维方法的又一个实施例中全连接层的训练流程400。该训练流程400，包括以下步骤：

[0047] 步骤401，获取样本数据集合。

[0048] 在本实施例中，特征向量降维方法的执行主体(例如图1所示的服务器或终端)可以首先获取样本数据集合。而后可以基于样本数据集合执行训练全卷积网络的步骤402～步骤405。样本数据集合中可以包括样本文本、样本语音、样本图像等数据。一个样本数据集合可以是一个batch(批次)，batch size(批次中的样本数)可以根据实际需要进行设置。

[0049] 在本实施例的一些可选实现方式中，样本数据集合中的样本数据包括与待处理数据来源相同的数据。在本实现方式中，样本数据与待处理数据来源相同，可以进一步提高数据处理结果的准确性。

[0050] 步骤402，将样本数据集合中的样本数据分别输入至目标特征提取网络。

[0051] 在本实施例中，上述执行主体可以将步骤401中获取的样本数据集合中的样本数据分别输入至目标特征提取网络。以此可以得到待降维的特征向量。

[0052] 步骤403，将目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量。

[0053] 在本实施例中，上述执行主体可以将步骤402中目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量。初始全连接层输出向量的维度为预先设置的降维后的维度。初始全连接层的参数可以是根据经验确定的或调整得到的。

[0054] 步骤404，根据所生成的特征向量确定是否达到预设的优化目标。

[0055] 在本实施例中，上述执行主体可以根据步骤403中所生成的特征向量确定是否达到预设的优化目标。优化目标可以包括评价模型的输出结果的指标，例如召回率，或者是损失函数的函数值。

[0056] 在本实施例的一些可选实现方式中，根据所生成的特征向量确定是否达到预设的优化目标之前，训练得到全连接层的步骤还包括：针对所生成的特征向量的各个维度：统计所生成的特征向量在该维度上的最大值，最小值以及中位数；针对所生成的各个特征向量，比较该特征向量在该维度上的值与统计出的该维度上的中位数，响应于该特征向量在该维度上的值大于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最大值，响应于该特征向量在该维度上的值小于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最小值。

[0057] 在本实现方式中，通过增加数据分布，将数据以部分特征统计的中位数为标准，像最大最小特征值进行为中心缩小之间的距离，扩大其可表达的空间。作为示例，所生成的特征向量在某个维度上的最大值是1，最小值是0，中位数是0.5，那么所生成的特征向量在这个维度上的值若大于0.5则更新为1，小于0.5则更新为0，等于0.5则即可更新为1又可更新为0.5。

[0058] 在本实施例的一些可选实现方式中，根据所生成的特征向量确定是否达到预设的优化目标，包括：确定所生成的特征向量在各个维度上的平均值；计算各个维度上统计出的中位数与所确定的平均值之差的平方和；根据计算出的平方和与预设值是否匹配，确定是否达到预设的优化目标。

[0059] 作为示例，全连接的输出有n个维度，如果一个样本数据集中有8个样本数据，即生成了8个特征向量，统计出生成的8个特征向量在某一个维度的中位数为0.9，最大值、最小值分别为1.2和0.6，8个特征向量在该维度上小于0.9和大于0.9的值均有4个，则更新后8个特征向量在该维度上的值分别为：0.6，0.6，0.6，0.6，1.2，1.2，1.2，1.2，在该维度上的平均值为0.9，该维度上统计出的中位数与所确定的平均值之差的平方和为0。以此类推，可以确定出其他维度上的平均值，最后可以计算各个维度上统计出的中位数与所确定的平均值之差的平方和。预设值可以根据实际需要进行设置，与预设值匹配可以包括与预设值的差值小于某个值，或与预设值相等，预设值可以包括0。

[0060] 步骤405，响应于确定初始全连接层达到优化目标，将初始全连接层作为训练完成的全连接层。

[0061] 在本实施例中，上述执行主体可以响应于步骤404中确定出初始全连接层达到优化目标，将初始全连接层作为训练完成的全连接层。

[0062] 在本实施例的一些可选实现方式中，训练得到全连接层的步骤还包括：响应于确定初始全连接层未达到优化目标，调整初始全连接层的网络参数，使用调整后的全连接层作为初始全连接层，继续执行训练步骤。在本实现方式中，可以使用未用过的样本数据组成样本数据集，继续执行上述训练步骤。上述执行主体可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始全连接层的网络参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。

[0063] 作为示例，预设的优化目标是各个维度上统计出的中位数与所确定的平均值之差的平方和为0。在某次迭代中，统计出的中位数为0.5而所确定的平均值为1，那么平方和不为0，未达到优化目标，通过调整全连接层的参数，使得统计出的中位数和所确定的平均值相同，则二者之差的平方和为0，优化结束。

[0064] 在本实施例中，步骤401～步骤405训练得到的全连接层的使用可以参照步骤201～步骤203，在此不再赘述。

[0065] 从图4中可以看出，本实施例达到了特征降维的目的，同时无需对深度模型整体进行重新训练，收敛时间较短，由此，本实施例描述的方案提高了数据处理的效率，节省了计算资源。

[0066] 进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种特征向量降维装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

[0067] 如图5所示，本实施例的特征向量降维装置500包括：获取单元501、特征提取单元502、降维单元503。其中，获取单元，被配置成获取待处理数据；特征提取单元，被配置成将待处理数据输入至目标特征提取网络，得到第一特征向量；降维单元，被配置成将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

[0068] 在本实施例中，特征向量降维装置500的获取单元501、特征提取单元502、降维单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203。

[0069] 在本实施例的一些可选实现方式中，装置还包括训练单元，训练单元，包括：获取子单元，被配置成获取样本数据集合；训练子单元，被配置成基于样本数据集合执行以下训练步骤：将样本数据集合中的样本数据分别输入至目标特征提取网络，并将目标特征提取网络的输出分别输入至初始全连接层，生成各个样本数据对应的特征向量；根据所生成的特征向量确定是否达到预设的优化目标；响应于确定初始全连接层达到优化目标，将初始全连接层作为训练完成的全连接层。

[0070] 在本实施例的一些可选实现方式中，训练单元，还包括：调整子单元，被配置成响应于确定初始全连接层未达到优化目标，调整初始全连接层的网络参数，使用调整后的全连接层作为初始全连接层，继续执行训练步骤。

[0071] 在本实施例的一些可选实现方式中，训练子单元，进一步被配置成：针对所生成的特征向量的各个维度：统计所生成的特征向量在该维度上的最大值，最小值以及中位数；针对所生成的各个特征向量，比较该特征向量在该维度上的值与统计出的该维度上的中位数，响应于该特征向量在该维度上的值大于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最大值，响应于该特征向量在该维度上的值小于该维度上的中位数，将该特征向量在该维度上的值更新为统计出的该维度上的最小值。

[0072] 在本实施例的一些可选实现方式中，训练子单元，进一步被配置成：确定所生成的特征向量在各个维度上的平均值；计算各个维度上统计出的中位数与所确定的平均值之差的平方和；根据计算出的平方和与预设值是否匹配，确定是否达到预设的优化目标。

[0073] 在本实施例的一些可选实现方式中，样本数据集合中的样本数据包括与待处理数据来源相同的数据。

[0074] 本申请的上述实施例提供的装置，通过获取待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度，提供了一种基于深度学习的特征向量降维机制，丰富了特征向量降维方法。

[0075] 下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

[0076] 如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

[0077] 以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

[0078] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0079] 可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0080] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0081] 描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、特征提取单元和降维单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成获取待处理数据的单元”。

[0082] 作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待处理数据；将待处理数据输入至目标特征提取网络，得到第一特征向量；将第一特征向量输入至预先训练的全连接层，得到第二特征向量，全连接层的输出向量的维度为预先设置的降维后的特征向量的维度。

[0083] 以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

标题	发布/更新时间	阅读量
基于干扰特征向量数据集的1比1人脸特征向量比对方法-专利编号CN107657216A	2020-05-11	538
生物体特征向量提取装置以及生物体特征向量提取方法-专利编号CN104346619B	2020-05-11	346
人脸特征向量构建-专利编号CN103198292A	2020-05-11	841
特征向量补偿装置和特征向量补偿方法-专利编号CN101051461A	2020-05-11	137
生成特征向量和基于特征向量进行文本分类的方法和装置-专利编号CN110119445A	2020-05-12	369
基于干扰特征向量数据集的1比N人脸特征向量比对方法-专利编号CN107704809A	2020-05-12	796
生物体特征向量提取装置以及生物体特征向量提取方法-专利编号CN104346619A	2020-05-13	732
特征向量生成装置，搜索装置，特征向量生成方法和搜索方法-专利编号CN1773507A	2020-05-12	885
特征向量降维方法和装置-专利编号CN110046670A	2020-05-13	86
一种心电图特征向量提取方法-专利编号CN110141245A	2020-05-13	872

特征向量降维方法和装置

特征向量降维方法和装置

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式